CN112469066A - 5g网络覆盖评估方法及装置 - Google Patents

Abstract

本发明公开了一种5G网络覆盖评估方法及装置，该方法包括：根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

Description

5G网络覆盖评估方法及装置

技术领域

本发明涉及网络覆盖评估技术领域，具体涉及一种5G网络覆盖评估方法及装置。

背景技术

目前广泛使用的5G覆盖评估，主要使用规划仿真的方法进行获取，可以结合3D场景建模、射线追踪模型计算、5G窄波束等维度进行计算仿真，并支持输出3D立体覆盖评估结果及GIS呈现，可以展示整个规划区域内任意点的仿真预测结果、立体渲染效果等，包括室外及室内不同楼层覆盖情况。对于整网5G规模覆盖评估，以及重要场景3D立体覆盖评估，可通过基于规划仿真的方法，快速得到需要的评估结果。

但是，基于规划仿真的5G覆盖评估，其准确性依赖仿真地图建筑物准确度、地图精度、传播模型是否校正、仿真参数设置与现网场景是否匹配等多方面因素。现网实际场景复杂，同一区域内可能夹杂多种场景，仿真设置难以与所有场景都保持一致，容易造成部分室内区域覆盖结果的偏差，不利于弱覆盖区域的准确识别。因此，现有技术中缺乏一种高效准确的5G网络覆盖评估机制。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的5G网络覆盖评估方法及装置。

根据本发明的一个方面，提供了一种5G网络覆盖评估方法，包括：

根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果进一步包括：

对MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，对MR栅格级覆盖评估结果进行覆盖边缘修正处理具体包括：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

可选地，按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据之后，方法进一步包括：

根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

可选地，对MR栅格级覆盖评估结果进行覆盖边缘修正处理具体包括：

根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

可选地，分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果具体包括：

采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

可选地，方法进一步包括：

对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

根据本发明的另一方面，提供了一种5G网络覆盖评估装置，包括：

第一覆盖评估模块，适于根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

差异评估模块，适于分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

第二覆盖评估模块，适于根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，第二覆盖评估模块进一步适于：对MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，第二覆盖评估模块进一步适于：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

可选地，第二覆盖评估模块进一步适于：

根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

可选地，第二覆盖评估模块进一步适于：

根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

可选地，差异评估模块进一步适于：

采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

可选地，装置进一步包括：

识别模块，适于对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述5G网络覆盖评估方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述5G网络覆盖评估方法对应的操作。

根据本发明的5G网络覆盖评估方法及装置，根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明一个实施例的5G网络覆盖评估方法的流程示意图；

图2示出了本发明另一个实施例的5G网络覆盖评估方法的流程示意图；

图3示出了本发明示例中绘制的CDF曲线的示意图；

图4示出了本发明示例中CDF百分比及其对应的RSRP差值的示意图；

图5示出了本发明另一个实施例中5G网络覆盖评估方法的流程图；

图6示出了本发明又一个实施例的5G网络覆盖评估装置的结构示意图；

图7示出了本发明实施例中计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

目前存量LTE网络优化经营多年，有完善的覆盖评估手段和海量的评估数据。如果能将LTE网络的覆盖评估数据充分利用，结合5G与LTE的覆盖差异，可在现网LTE网络拓扑基础上,推导叠加5G后的覆盖水平。基于此，本发明提供了一种基于4G现网无线信号覆盖情况，对5G覆盖进行预测的方式。

图1示出了本发明一个实施例的5G网络覆盖评估方法的流程示意图，如图1所示，该方法包括：

步骤S101，根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果。

采用现网LTE网络的网络覆盖评估手段，包括DT、OTT、MR、MDT等，统计得到MR栅格级覆盖情况，该步骤也即评估4G现网无线信号覆盖情况。

步骤S102，分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果。

该步骤即评估栅格级5G与LTE覆盖差异，具体地，采用相同传播模型、设置相同的穿透损耗以及相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖，确定5G网络栅格级覆盖的仿真结果和LTE网络栅格级覆盖的仿真结果之间的差异。

其中，栅格级覆盖的仿真结果具体包括各个栅格的覆盖水平值，那么，覆盖差异结果也就是各个栅格上5G网络的覆盖水平值与LTE网络的覆盖水平值之间的差异。顾名思义，覆盖水平值也就是表征覆盖水平的参数的数值，例如RSRP值(Reference SignalReceiving Power，参考信号接收功率)，RSRP是LTE网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，当然在实际应用中，还可以采用其他能够代表覆盖水平的参数值。

步骤S103，根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

该步骤即以现网LTE网络的覆盖水平为基础，在此基础上叠加5G网络和LTE网络之间的覆盖差异，得到5G网络的覆盖水平。例如，按照地理位置进行对齐，将MR栅格级覆盖评估结果中各个栅格的RSRP值，加上该栅格上5G网络的RSRP值与4G网络的RSRP值，从而得到5G网络覆盖评估结果。

根据本实施例所提供的5G网络覆盖评估方法，该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

图2示出了本发明另一个实施例的5G网络覆盖评估方法的流程示意图，如图2所示，该方法包括：

步骤S201，根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果。

具体实施时，首先根据LTE网络的覆盖评估数据，得到MR覆盖评估结果，然后再对MR覆盖评估结果进行栅格化，得到MR栅格级覆盖评估结果。MR栅格级评估结果实质上指的是：栅格化后的栅格级RSRP平均值数据。

在实际应用中，可以针对特定频段的5G网络覆盖进行评估。则在该步骤中，根据LTE网络中打底频段的主服覆盖评估数据以及异频测量的打底频段的覆盖评估数据，确定LTE网络打底频段的MR栅格级覆盖评估结果，例如打底频段可以为5G和4G公用的D频段，当然，本发明对此不做限定。

该步骤中，采用现网LTE网络的覆盖评估手段采集覆盖评估数据，具体包括：打底频段拉网路测数据、OTT数据、MR数据、带经纬度的MDT数据。其中，打底频段拉网路测数据：数据易获取，道路评估准确度高，可用于评估LTE打底频段室外道路覆盖情况。带经纬度的MDT数据：定位精度准，包含室外空旷区域、顶层、窗边等能收到GPS信号的区域，可用于评估LTE打底频段室外及浅层室内的覆盖情况。OTT数据：能区分室内用户，可用于评估LTE打底频段室内的覆盖情况。MR数据：数据样本最全，可结合指纹库完成栅格级定位，可用于评估整网LTE打底频段室内外混合的覆盖情况。

在使用各数据源评估LTE打底频段的覆盖情况时，各数据源使用原则如下：第一，MDT数据，主要用于评估LTE打底频段室外+浅层室内的覆盖情况；OTT数据，主要使用室内的OTT样本，用于评估LTE打底频段室内的覆盖情况。第二，同一栅格上，可能同时存在基于OTT/MR/MDT的LTE打底频段的评估结果，这种情况下，优先使用OTT数据的评估结果作为该栅格的评估结果，其次使用MDT的评估结果，最后使用MR的评估结果。第三，为保证LTE打底频段覆盖评估的准确性，评估启动前期需对评估区域内的LTE信息进行网络情况摸底，后续过程中结合网络摸底情况指导采集对应的OTT/MR/MDT数据，并且作为后续5G和LTE覆盖仿真工参的有效输入。摸底的主要目的是梳理LTE打底频段站点列表、小区列表、设备厂家、站型、站高、发射功率、方向角、下倾角等信息，及其他频段的站点、小区列表等。

步骤S202，对MR栅格级覆盖评估结果进行覆盖边缘修正处理。

进行MR覆盖评估进行栅格化时，由于将栅格内多个用户的数据平均归一成一个栅格的值，并且MR也无法区分不同室内楼层，只能将不同楼层的MR值也平均归一化处理，因此栅格化统计会造成弱覆盖的用户占比大幅减少，导致预测覆盖比真实的偏高，造成覆盖预测的准确性不高。基于此，本实施例的方法中，通过覆盖边缘修正来解决上述问题，以使修正后的MR栅格级覆盖评估结果更加贴合真实覆盖水平。

其中，覆盖边缘修正处理包括以下两种具体实施方式：

第一种方式：按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；针对于各个待修正累积分布概率，确定第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值，以及第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值；根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值小于或等于第一预设阈值。该方式中，对各个栅格的覆盖水平值进行修正，使得修正后的各个栅格的覆盖水平值更加贴合真实覆盖水平，从而能够得到更加准确的5G覆盖评估结果，也能够更加准确地进行弱覆盖区域识别。

该方式中，首先依据累积分布函数来统计累积分布数据，累积分布函数表示：对离散变量而言，所有小于等于a的值出现概率的和。第一累积分布数据以及第二累积分布数据均包括多组RSRP值及其对应的累积分布概率(也即CDF百分比)。第一累积分布数据中，每一组RSRP值及其对应的CDF百分比表示小于该RSRP值的MR条数所占的比例为该CDF百分比，例如(RSRP值A1，CDF-1％)、(RSRP值B1，CDF-2％)……；第二累积分布数据中，每一组RSRP值及其对应的CDF百分比表示RSRP平均值小于该RSRP值的栅格所占的比例为该CDF百分比，例如(RSRP值A2，CDF1％)、(RSRP值B2，CDF-2％)……

然后，确定各个CDF百分比下，第一累积分布数据中与该CDF百分比相对应的RSRP值，第二累积分布数据中与该CDF百分比相对应的RSRP值，以及计算两者之间的差值，可以得到与各个CDF百分比相对应的RSRP差值。例如，(CDF-1％，ΔRSRP A)，其中，ΔRSRP A＝RSRP值A1-RSRP值A2；(CDF-2％，ΔRSRP B，其中，ΔRSRP B＝RSRP值B1-RSRP值B2…

最后，根据上述与各个CDF百分比相对应的RSRP差值，对栅格的覆盖水平值进行修正。具体地，针对于各个CDF百分比，首先确定该CDF百分比相对应的待修正栅格，根据该CDF百分比所对应的RSRP差值对待修正栅格的RSRP平均值进行修正。其中，待修正栅格具体指的是RSRP平均值与该CDF百分比相对应的RSRP值之间的差值小于预设阈值的栅格。沿用上述示例，将RSRP平均值属于一个包含RSRP值A2的区间的各个栅格确定为待修正栅格，根据上述ΔRSRP A对各个待修正栅格的RSRP平均值进行修正，具体将各个待修正栅格的RSRP平均值加上ΔRSRP A……最终，得到修正后的MR栅格级覆盖评估结果，该评估结果更加接近真实的覆盖边缘的统计结果。

进一步地，还可以根据各个累积分布概率下的覆盖水平差值，仅选取出需要进行修正的栅格进行修正，而无需对所有的栅格进行修正。具体地，根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

其中，根据各个累积分布概率下第一覆盖水平值与第二覆盖水平值之间的差值，判断该差值的绝对值是否大于或等于预设的阈值，若是，则确定该累积分布概率为待修正累积分布概率，反之，则确定该累积分布概率是不需要进行修正的。也就是说，同一累积分布概率下，当对应的覆盖水平差值较大时，则需要对该累积分布概率对应的待修正栅格进行修正。

下面以图像化的示例来说明该方式：

第一步：针对打底频段，绘制两条CDF(累积分布函数)曲线，一条以所有原始的MR条数作为样本点，按照RSRP值进行绘制，其中，以打底频段为主服小区的用户使用主服小区RSRP值，非打底频段的用户使用异频测量中对打底频段RSRP测量值的最大值；另一条使用栅格化后打底频段的栅格级RSRP平均值进行绘制。

图3示出了本发明示例中绘制的CDF曲线的示意图，横坐标为RSRP值，纵坐标为CDF百分比，举例来说，MR条数-CDF曲线中，点(-100,24.7％)代表RSRP值小于-100dBm的MR条数占到了24.7％，栅格-CDF曲线中，点(-100,19.3％)代表RSRP平均值小于-100dBm的栅格占到了19.3％。

第二步，计算CDF百分比下RSRP的差值。例如，分别确定CDF百分比为10％时，MR条数-CDF曲线中对应的横坐标，栅格-CDF曲线中对应的横坐标，以及计算这两个横坐标的差值，即得到CDF百分比为10％时RSRP的差值。图4示出了本发明示例中CDF百分比及其对应的RSRP差值的示意图，其中，CDF百分比为1％时，RSRP的差值为-9.7，CDF百分比为2％时，RSRP的差值为-8.2……该示例中，1％-10％就是根据图3中的累积分布结果所选取出的待修正CDF百分比。

第三步，在栅格级评估结果中，对CDF1％-10％的栅格样本，按照对应CDF百分比下RSRP的差值，进行折算，得到接近真实覆盖边缘的统计结果。该示例中，确定CDF为1％时栅格-CDF曲线对应的横坐标，该横坐标为一个具体的RSRP值，将RSRP平均值属于包含该具体的RSRP值的数值区间的各个栅格确定为待修正栅格，对待修正栅格的RSRP平均值进行折算，得到修正后的覆盖评估结果。

实际应用中，为了提升评估结果的准确性，在进行修正时，可以提高统计的累积分布概率的精度，上述示例中是每隔1％取一个累积分布概率进行修正相关处理，当然还可以每隔0.1％或者0.01％等等取一个累积分布概率进行修正相关，本发明对此不做限定。

第二种方式：在MR栅格级覆盖评估结果中，根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

该方式实质上是规定了一种弱覆盖栅格的判定原则，根据各个栅格内采样点的数量以及各个采样点的RSRP值，确定该栅格是否为弱覆盖栅格。具体地，判断栅格内采样点的数量是否大于数量阈值，并且判断RSRP值未达到RSRP阈值的采样点的是否达到预定百分比，若是，则确定该栅格是弱覆盖栅格。例如，栅格内大于10个采样点且10％的采样点的RSRP<-113dBm定义为弱覆盖栅格。当然，采样点的数量阈值以及RSRP阈值均可以根据实际情况进行设置。

可选地，该方式中，预先根据栅格内采样点的数量筛除无效栅格，在此之后，对剩余的有效栅格，执行上述弱覆盖栅格判定策略，判断各个有效上个是否为弱覆盖栅格。例如，当一个栅格内的采样点的数量低于栅格平均采样点的数量10％，则判定该栅格为无效栅格。

上述第一种方式是全网及CDF算法，评估结果的精度较高，在评估精度要求较高的场景下，可采用第一种方式进行覆盖边缘修正；第二种方式该方式是栅格级的处理策略，相对更精细化，能够很精准的识别弱覆盖栅格，在具备大数据处理条件的场景下，可采用第二种方式进行覆盖边缘修正。

步骤S203，采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

其中，覆盖差异结果也就是各个栅格上5G网络的覆盖水平值与LTE网络的覆盖水平值之间的差异。该步骤中，4G仿真和5G仿真由于采用相同的模型和参数，复杂无线环境带来的误差相互抵消，使得5G覆盖预测准确度得到提升。

步骤S204，按照地理位置进行对齐，以修正之后的MR栅格级覆盖评估结果为基础，叠加覆盖差异结果，得到5G网络覆盖评估结果。

使用前面得到的LTE打底频段覆盖现状，及5G网络与LTE网络覆盖差异，按照地理位置进行对齐，以LTE打底频段覆盖情况为基础，叠加上5G网络与LTE网络覆盖差异，得到栅格级5G覆盖水平。

步骤S205，对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

根据评估场景的差异，结合不同评估数据源及覆盖门限，筛选识别弱覆盖区域。

图5示出了本发明另一个实施例中5G网络覆盖评估方法的流程图，如图5所示，该方法包括：

首先，根据TD-LTE D频段主服MR数据、MDT数据以及OTT数据，以及TD-LTE异频测量D频段MR数据、MDT数据以及OTT数据，进行LTE2.6栅格MR覆盖评估，并完成覆盖边缘修正处理，得到修正后的LTE 2.6栅格MR覆盖评估；于此同时，进行5G网络的D频段栅格级SSB仿真，LTE D频段栅格级RSRP仿真，经过5G与LTE仿真差异计算，得到LTE和NR栅格级仿真差异。最终，将LTE和NR栅格级仿真差异以及修正后的LTE2.6栅格MR覆盖评估进行栅格矫正和计算，从而进行5G覆盖的预测和弱覆盖区域的识别。

根据本实施例所提供的5G网络覆盖评估方法，该方式能将LTE网络的覆盖评估数据充分利用，结合5G与LTE的覆盖差异，在现网LTE网络拓扑基础上,推导叠加5G后的覆盖水平，相比于单纯的5G覆盖仿真，准确度得到提升。同时，该方式还提供了MR栅格级覆盖的修正方法，通过两种方式补偿MR覆盖评估栅格化过程中，弱覆盖的用户占比大幅减少，导致预测覆盖比真实的偏高的问题，能够进一步提升5G覆盖评估的准确性；该方式还能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到相对准确的弱覆盖道路或区域。

图6示出了本发明又一个实施例的5G网络覆盖评估装置的结构示意图，如图6所示，该装置包括：

第一覆盖评估模块61，适于根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

差异评估模块62，适于分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

第二覆盖评估模块63，适于根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，第二覆盖评估模块63进一步适于：对MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

可选地，第二覆盖评估模块63进一步适于：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

可选地，第二覆盖评估模块63进一步适于：

根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

可选地，第二覆盖评估模块63进一步适于：

根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

可选地，差异评估模块62进一步适于：

采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

可选地，装置进一步包括：

识别模块，适于对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的5G网络覆盖评估方法。

可执行指令具体可以用于使得处理器执行以下操作：

根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

对MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

图7示出了本发明实施例中计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。

其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述用于计算设备的5G网络覆盖评估方法实施例中的相关步骤。

具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。

处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序710具体可以用于使得处理器702执行以下操作：

根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

根据MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

对MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及覆盖差异结果，得到5G网络覆盖评估结果。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据第一覆盖水平值与第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

在一种可选的方式中，所述程序710使所述处理器702执行以下操作：

对5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

该方式提供了一种5G网络覆盖预测的机制，充分利用现网覆盖评估手段及数据，对4G网络的覆盖情况进行评估，基于4G网络的覆盖情况，加上5G覆盖与4G覆盖的差异，从而对5G覆盖进行预测，相比于现有技术中规划仿真的5G覆盖评估手段，能够有效规避地图建筑物信息缺失、不同场景穿透损耗不同等差异，得到更加准确地评估5G覆盖情况。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种5G网络覆盖评估方法，包括：

根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

根据所述MR栅格级覆盖评估结果以及所述覆盖差异结果，得到5G网络覆盖评估结果。

2.根据权利要求1所述的方法，其中，所述根据所述MR栅格级覆盖评估结果以及所述覆盖差异结果，得到5G网络覆盖评估结果进一步包括：

对所述MR栅格级覆盖评估结果进行覆盖边缘修正处理；

根据修正后的MR栅格级覆盖评估结果以及所述覆盖差异结果，得到5G网络覆盖评估结果。

3.根据权利要求2所述的方法，其中，所述对所述MR栅格级覆盖评估结果进行覆盖边缘修正处理具体包括：

按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据；

针对于各个待修正累积分布概率，确定第一累积分布数据中与该待修正累积分布概率相对应的第一覆盖水平值，以及第二累积分布数据中与该待修正累积分布概率相对应的第二覆盖水平值；

根据所述第一覆盖水平值与所述第二覆盖水平值之间的差值，对该待修正累积分布概率下的待修正栅格的覆盖水平值进行修正；

其中，待修正栅格的覆盖水平值与该待修正累积分布概率所对应的第二覆盖水平值之间的差值的绝对值小于或等于第一预设阈值。

4.根据权利要求3所述的方法，其中，所述按照覆盖水平值，统计原始MR条数的第一累积分布数据，以及MR栅格级覆盖评估结果的第二累积分布数据之后，所述方法进一步包括：

根据第一累积分布数据和第二累积分布数据之间差异，确定多个待修正累积分布概率；其中，待修正累积分布概率下，对应的第一覆盖水平值与第二覆盖水平值之间的差值的绝对值大于或等于第二预设阈值。

5.根据权利要求2所述的方法，其中，所述对所述MR栅格级覆盖评估结果进行覆盖边缘修正处理具体包括：

根据各个栅格内采样点的数量以及各个采样点的覆盖水平值确定该栅格是否为弱覆盖栅格；

对各个弱覆盖栅格进行聚类处理，确定弱覆盖区域。

6.根据权利要求1所述的方法，其中，所述分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果具体包括：

采用相同的传播模型以及设置相同的穿透损耗和相同的仿真参数，分别仿真LTE网络和5G网络的栅格级覆盖；

针对于每一个栅格，计算5G网络覆盖水平值和LTE网络覆盖水平值之间的差值，得到5G网络和LTE网络的覆盖差异结果。

7.根据权利要求1-6中任一项所述的方法，其中，所述方法进一步包括：

对所述5G网络覆盖评估结果进行识别，确定5G网络弱覆盖区域。

8.一种5G网络覆盖评估装置，包括：

第一覆盖评估模块，适于根据LTE网络的覆盖评估数据，得到MR栅格级覆盖评估结果；

差异评估模块，适于分别仿真LTE网络以及5G网络的栅格级覆盖，根据仿真结果确定5G网络和LTE网络的覆盖差异结果；

第二覆盖评估模块，适于根据所述MR栅格级覆盖评估结果以及所述覆盖差异结果，得到5G网络覆盖评估结果。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的5G网络覆盖评估方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的5G网络覆盖评估方法对应的操作。

Images